چکیده مقاله
خوشه بندی یک تکنیک آنالیز داده متداول است روشهای خوشه بندی میتوانند بطور گسترده در زمینه های متعددی مانندتشخیص الگو، یادگیری ماشین، پردازش تصویر، بازیابی اطلاعات و مواردی از این قبیل بکار گرفته شوند الگوریتم DBSCAN برخلاف روشهای تقسیمی نیازی به مشخص بودن تعداد خوشه ها با اطلاع قبلی ندارد روش DBSCAN به دو پارامتر نیاز دارد: پارامتر شعاع خوشه بندی ɛ و پارامتر حداقل تعداد نقاط موردنیاز برای ایجاد یک ناحیه متراکم minPts یکی از چالش های این روش تعیین پارامترهای اولیه است و ممکن است در مینیمم های محلی متوقف شود اگر مقدار پارامترهای اولیه به درستی تعیین نگردد ممکن است نتایج خوشه بندی در دام بهینه محلی قرار گیرد به دلیل پیوسته بودن فضای مسئله تعیین پارامترهای بهینه، بی نهایت حالت مختلف برای این پارامترها وجود دارد که این امر یافتن پارامترهای بهینه را با مشکل مواجه نموده است برای حل این چالش نیاز به روش های مبتنی بر انتخاب تصادفی است و سپس بر اساس یادگیری به سمت یافتن جواب بهینه حرکت میکند جهت رفع چالش های مذکور، در این مقاله از الگوریتم بهینه سازی کرم شب تاب استفاده شده است در روش پیشنهادی در هر تکرار الگوریتم در فضای جستجو، بهترین راه حل به دست می آید علاوه بر این سایر مقادیری که تاکنون در فرآیند خوشه بندی تاثیرگذار نبوده اند با توجه به ماهیت تصادفی الگوریتم کرم شبتاب اجازه دارند به عنوان پارامتر ورودی جدید انتخاب شوند نتایج شبیه سازی روش پیشنهادی بیانگر این است که عملکرد بهتری نسبت به سایر روشها دارد
کلیدواژهها
نویسندگان
مطهره السادات برمک
کارشناسی ارشد، دانشجوموسسه آموزش عالی بعثت کرمان
مصطفی قاضی زاده احسائی
دکتری، استادیارموسسه آموزش عالی بعثت کرمان
شیوه ارجاع
�رمک، مطهره السادات و قاضی زاده احسائی، مصطفی،1398،بهبود الگوریتم خوشه بندیDBSCAN از طریق تعیین پارامترهای شعاع وتراکم خوشه بندی با استفاده از الگوریتم کرم شبتاب،سومین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی،اهواز
ارائهشده در
مجموعه مقالات چهارمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی15 بهمن 1399 · اهواز